[发明专利]基于联邦深度生成式学习的可再生能源时空场景生成方法

权利要求书

1.一种基于联邦深度生成式学习的可再生能源出力时空场景生成方法，其特征是，它包括以下步骤：

1)对可再生能源历史数据进行归一化处理；

2)将历史数据重塑为24×24的数组；

3)在中心服务器中初始化全局LSGANs模型；

4)将全局LSGANs模型部署到各个客户端(可再生能源电站)；

5)随机选择一定数量的客户端，被选中的客户端利用历史数据对本地模型进行训练；

6)当达到设定的通信间隔时，客户端将本地模型的参数上传至中心服务器；

7)中心服务器对上传的模型参数进行加权平均，并将其作为新的全局模型参数；

8)中心服务器重新将全局模型部署到各个客户端；

9)重复5)-8)直至设定的训练次数。

2.根据权利要求1所述的一种基于联邦深度生成式学习的可再生能源出力时空场景生成方法，其特征在于：所述步骤1))中需要将历史数据进行max-min归一化处理从而消除数据量纲的影响。

3.根据权利要求1所述的一种基于联邦深度生成式学习的可再生能源出力时空场景生成方法，其特征在于：所述步骤2)将每个机组的时间序列历史数据样本重塑为24×24的矩阵数组。

4.根据权利要求1所述的一种基于联邦深度生成式学习的可再生能源出力时空场景生成方法，其特征在于：所述步骤3)中，全局模型为最小二乘生成对抗网络(Least SquaresGenerative Adversarial Networks,LSGANs)模型。LSGANs是GANs的一个改进版本，它们都是受博弈论启发的无监督生成模型。GANs包括两个可微分的深层神经网络：判别器和生成器。生成器网络通过学习历史数据的潜在分布，将随机噪声映射到生成的样本，判别器则尽可能判断输入数据是真实的历史数据还是生成的数据，并对生成器和判别器进行二人零和博弈训练。理论上当达到纳什均衡时，两个网络达到最优解，此时生成器能够通过随机噪声生成以假乱真的样本。其建模过程如下：

在传统的GANs训练过程中，一批随机噪声向量z～P_Z被送入生成器，生成器从噪声空间映射到数据空间G(z；θ_g)，其中G(z；θ_g)为生成器生成的样本，服从分布P_g。同时，来自真实数据x～P_d或生成的数据G(z；θ_g)的一批样本被发送到判别器，该判别器通常是二进制类器，其目标是识别数据来自何处。根据不同的数据源，判别器网络的输出可以表示为

在明确了生成器和判别器的目标之后，我们需要分别定义一个损失函数来更新它们的深层神经网络。对于给定的判别器，生成器希望增加判别器对生成样本的概率输出p_fake，因为较大的判别器输出意味着样本更真实。对于给定的生成器，鉴别器在最小化p_fake的同时寻求p_real的最大化。换句话说，较小的生成器损失L_G表明生成数据和真实数据的流形非常接近，而较小的判别器损失L_D值表明判别器具有很强的能力来区分数据来自哪个分布。因此，这两个神经网络的损失函数可以定义为

其中，E表示期望值。

接下来需要在生成器和判别器之间建立一个博弈关系，以便两个网络可以同时训练。有必要构建一个可以组合(2)和(3)的函数，该max-min博弈模型的价值函数V_GANs(G,D)可以表示为：

然而在传统的GANs中，本质上是优化詹森-香浓(Jensen-Shannon)散度(JS散度)，并且以交叉熵作为损失函数，这就导致了传统的GANs模型存在模式崩溃、梯度消失和训练不稳定等问题。为了解决这个问题，本发明采用了最小二乘生成对抗网络。用最小二乘损失函数代替交叉熵损失函数，表达式为：

其中，a和b分别是生成样本和真实样本的标签，c表示生成器期望判别器对生成样本判定的标签。LSGANs利用最小二乘损失函数作为判别器和生成器的损失函数，通过对远离决策边界的样本进行惩罚，可以提供更多的梯度，缓解了梯度消失的问题。同时，这种损失函数有利于生成更高质量的样本，因为它惩罚假样本并将它们“拉”到决策边界。